1. Introduction et problème

Dans la tranche de 3 à 6 ans — jardin, préscolaire, CENDI, école maternelle — un paquet de cinq artefacts s’est installé qui prétendent valoir comme soutien à la négociation des conflits entre pairs / turn-taking negotiation / prise de tours / résolution située des disputes : un détecteur/CNN/vision par ordinateur ou système multimodal qui « détecte les conflits » ou note la social competence / peer engagement / conflict count / turn compliance / friendship behavior / SEC auto-score comme évaluation pédagogique ; une GenAI qui génère des conflict resolution scripts, turn-taking lesson plans, sharing worksheets ou peace corner scripts par prompt comme recette fermée ; un tableau de bord de conflits/heure, minutes de dispute ou turn-taking compliance pour la surveillance administrative ; un robot/application qui substitue la médiation adulte et la négociation entre pairs par un score de correctness ou par un script automatisé de « say sorry » ; et un système qui convertit proximité, synchronie ou émotion faciale en classement de social developmental level sans médiation pédagogique. Les cinq permettent d’afficher que le centre « fait déjà du peer conflict / turn-taking avec l’IA ». Le saut — de détection, score, script généré, métrique de comptage ou classement maturatif à l’affirmation d’un soutien — n’est autorisé ni par les cartographies de l’IA en ECE ni par la pédagogie de la négociation lorsqu’il y a disputes pour tours, matériaux, rôles et espace ; négociation verbale et non verbale entre pairs ; médiation adulte qui nomme les émotions, modélise demande/attente/offre et soutient l’agence des enfants pour réparer ; et co-présence qui lit le conflit comme opportunité d’apprentissage social, non comme infraction à un score.

La thèse est restrictive : ces cinq artefacts ne constituent pas un soutien à la négociation des conflits entre pairs / turn-taking dans la petite enfance. En initiale, cette pratique se développe avec des matériaux réels, une co-présence adulte qui interprète sens et processus, un langage de demande/attente/offre et l’agence infantile pour réparer (NAEYC, 2022 ; OECD, 2021, 2023) ; non un détecteur, une GenAI de scripts, un tableau de bord de comptages ni un robot qui substitue la médiation. Kengesbay (2025) apporte le DL/CV (RNN/3D CNN) pour détecter les conflits sociaux en jardin d’enfants : résultat de détection, non de pédagogie de réparation. Xiao et Li (2026) — N = 150 ; plus de 120 heures — proposent une fusion multimodale et un graph-temporal pour l’assessment de la social competence : score ≠ demande/attente/offre. Li et Li (2026) — N = 500 ; 36–72 mois ; huit kindergartens — intègrent visage, voix et mouvement pour SEC/CASEL : SEC auto-score ≠ négociation située des tours. Markova et al. (2026) — N = 20 — et Horn et al. (2024) trackent proximité/synchronie : dynamiques spatiales ≠ médiation qui nomme et modélise. Yu (2021) surveille l’émotion faciale : score émotionnel ≠ médiation. Nijssen et al. (2021) et Kim et al. (2024) situent sharing/friendship avec un robot ; Tykhonenko et al. (2026) — N = 28 — mesurent le turn-timing avec un robot ; Pinto et Belpaeme (2024) anticipent les turn transitions en HRI (transfert) ; Araguas et al. (2025) comparent tuteur humain versus robot. Taylor et al. (2023) contrastent le peer engagement avec la qualité enseignante au niveau de la classe (non-IA). Cela autorise à demander ce qui a été mesuré : conflict count, competence, SEC, proximité ou compliance — non la pratique quand deux enfants négocient un tour et qu’un adulte soutient la réparation.

Le problème s’aggrave par six confusions de catégorie. Première : ce n’est pas le SEL générique — Li et Li (2026) ancrent SEC/CASEL ; l’axe est négocier les tours et réparer entre pairs —. Deuxième : ce n’est pas la participation/voix infantile comme axe. Troisième : ce n’est pas CLASS / interactions adulte–enfant comme axe — Taylor et al. (2023) n’autorisent pas à réduire la négociation entre pairs à un score CLASS —. Quatrième : ce n’est pas l’attention conjointe — Markova et al. (2026) ; Horn et al. (2024) —. Cinquième : ce n’est ni le jeu libre ni le jeu symbolique — Galbraith (2022) est un contraste périphérique —. Sixième : ce n’est pas l’emotion monitoring clinique — Yu (2021) ; Araguas et al. (2025) — ni l’HRI adulte/général comme pédagogie de classe (Pinto et Belpaeme, 2024, transfert). On ne recycle pas mark-making, dialogic reading, littératie, oralité, sand/water/playdough/loose parts/outdoor/risky/block/spatial, inclusion, bien-être, évaluation formative, documentation, STEM, environnemental, motricité, créativité, risky play ni investigation comme axes. Il y a une économie de coordination : les cinq artefacts tiennent sur une diapositive ; l’épisode de dispute, demande/attente/offre et réparation, non. NAEYC (2022) et OECD (2021, 2023) exigent interactions significatives et numérisation subordonnée. Contributions : séparer métier et artefacts ; examiner les cas marqués ; et offrir quatre épreuves de soutien.

2. État de l’art : de la pratique située de négociation entre pairs à l’artefact qu’on exhibe

Il convient de séparer quatre strates que le marché de « l’IA pour peer conflict / turn-taking en initiale » tend à mélanger. La première est le construit de négociation des conflits entre pairs / turn-taking negotiation de 3 à 6 ans comme pratique relationnelle et discursive : disputes pour les tours, les matériaux, les rôles et l’espace ; négociation verbale et non verbale ; réparation avec agence infantile (NAEYC, 2022 ; OECD, 2021, 2023 ; Taylor et al., 2023, lu comme contraste de peer engagement, non comme axe CLASS). La deuxième est le métier qui le cultive — matériaux réels ; adulte qui nomme les émotions, modélise demande/attente/offre et soutient la réparation entre pairs ; co-présence qui interprète le conflit comme apprentissage social, non comme infraction à un score — (NAEYC, 2022 ; OECD, 2021, 2023 ; Galbraith, 2022, contraste périphérique). La troisième est la preuve des affordances de l’IA en ECE et des systèmes de détection, scoring multimodal, tracking spatial, emotion monitoring et médiation robotique — sans les équivaloir à la négociation située — (Chen, 2024 ; Ljungcrantz, 2026 ; Nikolopoulou, 2025 ; Kengesbay, 2025 ; Xiao et Li, 2026 ; Li et Li, 2026 ; Markova et al., 2026 ; Horn et al., 2024 ; Yu, 2021 ; Nijssen et al., 2021 ; Kim et al., 2024 ; Tykhonenko et al., 2026 ; Pinto et Belpaeme, 2024 ; Araguas et al., 2025). La quatrième est le cadre des droits et de la pratique appropriée au développement, qui traite l’enfant comme sujet qui négocie et répare, non comme vecteur de conflict-count ni destinataire exclusif de scripts GenAI ou de robots qui « disent sorry » (UNESCO, 2021 ; Miao et Holmes, 2023).

NAEYC (2022) et OECD (2021, 2023) ancrent la pratique appropriée, les interactions significatives et la numérisation subordonnée : cadre. Les systèmes vérifiés mesurent des objets distincts du métier. Kengesbay (2025) détecte les conflits sociaux dans les kindergartens avec DL/CV : résultat de détection vidéo, non de langage de demande entre pairs. Xiao et Li (2026) — N = 150 — apportent un assessment multimodal de social competence et d’expression émotionnelle. Li et Li (2026) — N = 500 — apportent un SEC multimodal aligné sur CASEL : résultat d’assessment SEC ; marqué ≠ turn-taking negotiation située. Markova et al. (2026) — N = 20 — et Horn et al. (2024) apportent tracking/capteurs de dynamiques spatiales et temporelles : proximité/synchronie comme indicateurs d’affiliation, non médiation qui répare. Yu (2021) surveille l’émotion faciale : score émotionnel. Nijssen et al. (2021) examinent le sharing avec un robot et les attributions anthropomorphiques ; Kim et al. (2024) conçoivent une médiation robotique des friendship behaviors ; Tykhonenko et al. (2026) — N = 28 — relient timidité et actions dialogiques contingentes aux instructions d’un robot social ; Pinto et Belpaeme (2024) prédisent les turn transitions dans le dialogue humain–robot : transfert HRI marqué. Araguas et al. (2025) contrastent tuteur humain versus robot en reconnaissance des émotions au préscolaire. Taylor et al. (2023) fixent le contraste pédagogique : peer engagement individuel et qualité d’interaction enseignant–enfant au niveau de la classe, sans IA. Inférence : un conflict count ne nomme pas l’émotion ni ne modélise « puis-je quand tu auras fini ? » ; un adulte qui soutient la réparation entre pairs, oui. Chen (2024) et Ljungcrantz (2026) cartographient l’IA en ECE sans l’équivaloir à la négociation située. Nikolopoulou (2025) et Miao et Holmes (2023) fixent la prudence et les seuils de GenAI pour lesson plans/scripts par prompt. UNESCO (2021) exige une supervision humaine. Galbraith (2022) est un contraste périphérique des pédagogies du jeu.

3. Méthode de revue

On a réalisé une revue narrative critique, non une méta-analyse primaire. Le but n’était pas d’estimer une taille d’effet homogène des cinq artefacts, mais d’articuler un argument de catégorie pédagogique avec des sources vérifiées. Critères d’inclusion : (a) 2021–2026, avec transfert marqué lorsque l’échantillon n’équivaut pas à 3–6 en classe de conflit entre pairs, est de l’HRI adulte/général, de l’emotion monitoring clinique, ou que l’objet est SEC/CASEL sans équivaloir à la négociation située ; (b) peer conflict, turn-taking, sharing, friendship behaviors, social competence/SEC multimodal, tracking spatial, médiation robotique, ou IA en ECE avec pertinence artefact/métier ; (c) jardin d’enfants, préscolaire, CENDI ou 3–6, ou transfert explicite ; (d) revue à pairs, DOI ou rapport NAEYC/UNESCO/OECD ; (e) DOI ou page éditoriale vérifiable. On a exclu comme objet central les axes déjà utilisés dans cette série — SEL générique, participation/voix, CLASS/interactions adulte–enfant comme axe, attention conjointe, jeu libre, jeu symbolique, mark-making, dialogic reading, littératie, oralité, sand/water/playdough/loose parts/outdoor/risky/block/spatial, inclusion, bien-être, évaluation formative, documentation, STEM, environnemental, motricité, créativité, risky play et investigation —. Galbraith (2022) seulement comme contraste périphérique des pédagogies du jeu, non la formation des enseignants comme axe. Pinto et Belpaeme (2024) = HRI prédictif, transfert. Li et Li (2026) se lisent pour le SEC multimodal, non comme SEL déjà publié comme axe. Taylor et al. (2023) se lisent comme contraste pédagogique de peer engagement, non comme axe CLASS. Yu (2021) et Araguas et al. (2025) se lisent pour emotion monitoring / tuteur robot, non comme axe clinique ni SEL.

La recherche a été exécutée le 7 septembre 2026 (slot catch-up Monday 09:02 America/Mexico_City ; MISSED, run NOW) sur les pages DOI, Crossref, Springer, Elsevier, Wiley, Taylor & Francis, MDPI, IEEE Xplore, Frontiers, Royal Society, JAIR, OECD iLibrary, UNESDOC, NAEYC et sites éditoriaux. Chaque source a été vérifiée contre fuentes.md et crossref_check.json. On a distingué résultat empirique, cadre et inférence pédagogique. Aucun N, d, r, AUC ni DOI n’a été inventé : lorsqu’un artefact manque d’étude vérifiée avec des métriques de tableau de bord conflict-count, de GenAI de peace corner scripts comme paquet d’exhibition en CENDI latino-américain, ou de robot qui substitue la médiation par « say sorry » en classe 3–6, on le discute comme plafond de catégorie appuyé sur les cartographies de l’IA en ECE (Chen, 2024 ; Ljungcrantz, 2026) et sur les systèmes de détection/scoring/HRI vérifiés (Kengesbay, 2025 ; Xiao et Li, 2026 ; Li et Li, 2026 ; Markova et al., 2026 ; Horn et al., 2024 ; Yu, 2021 ; Nijssen et al., 2021 ; Kim et al., 2024 ; Tykhonenko et al., 2026 ; Pinto et Belpaeme, 2024 ; Araguas et al., 2025). On a utilisé vingt et une sources du corpus vérifié.

4. Cas 1. Un détecteur CV/multimodal de conflits / social competence / conflict count / turn compliance, une GenAI de scripts/lesson plans/sharing worksheets, un tableau de bord de conflits/heure, un robot/application qui substitue la médiation par un score ou « say sorry », ou proximité/synchronie→classement social developmental ne constituent pas un soutien à la négociation des conflits entre pairs / turn-taking

Chen (2024) et Ljungcrantz (2026) saturent le plafond des artefacts lorsque l’IA en ECE se présente comme si elle était un soutien à la négociation des conflits entre pairs. Chen (2024) cartographie les affordances globales : résultat de scoping — tutorat, analytique, génération de contenus, agents —, non qu’un conflict count ou social competence score cultive demande/attente/offre. Ljungcrantz (2026) revue l’interaction IA–ECE 2020–2024 : état de l’art, non turn-taking negotiation situé. Inférence : « conflict count bas / turn compliance élevé = il y a eu soutien » est un plafond d’analytique. Kengesbay (2025), Xiao et Li (2026) et Li et Li (2026) mesurent détection ou competence/SEC ; un score administratif peut coexister avec l’absence de médiation qui interprète le sens et le processus.

Nikolopoulou (2025) et Miao et Holmes (2023) nomment le risque de la GenAI de conflict resolution scripts / turn-taking lesson plans / sharing worksheets / peace corner scripts par prompt qui ferme l’épisode : cadre de prudence, non essai versus épisode avec matériaux réels et adulte qui modélise la demande (NAEYC, 2022 ; OECD, 2021). Inférence : produire un script de « say sorry » par prompt peut être une préparation subordonnée ; le soutien commence lorsqu’il y a dispute située, enfants qui négocient et adulte qui nomme sans réduire à la correctness. Kim et al. (2024) et Nijssen et al. (2021) montrent sharing/friendship avec un robot en conditions expérimentales ; ils n’autorisent pas à substituer la médiation adulte. Tykhonenko et al. (2026) et Pinto et Belpaeme (2024) mesurent turn-timing ou prédiction de tours en HRI : latence ≠ pédagogie de réparation.

Dans le corpus vérifié, les cinq artefacts manquent d’essais d’équivalence pédagogique avec le métier en CENDI 3–6 ; on n’invente ni d, r ni AUC de « soutien ». Markova et al. (2026) et Horn et al. (2024) mesurent proximité/synchronie ; Yu (2021) émotion faciale ; Araguas et al. (2025) reconnaissance émotionnelle humaine versus robot ; Taylor et al. (2023) peer engagement sans IA ; Galbraith (2022) contraste périphérique. Inférence restrictive : détecteur ≠ adulte qui nomme ; GenAI de scripts ≠ épisode ouvert ; tableau de bord ≠ observation ; robot de « say sorry » ≠ agence pour réparer ; classement par proximité ≠ médiation. UNESCO (2021) exige une supervision humaine. Les cinq partagent une grammaire de substitution : le score parle pour la dispute ; la GenAI ferme ; le tableau de bord substitue l’observation ; le robot efface la négociation entre pairs ; le classement convertit le processus en niveau sans médiation. Quand le score parle pour l’enfant et le script pour l’adulte, le seuil de supervision humaine est transgressé même si le tableau de bord paraît « vert ».

5. Cas 2. Ce que le jardin d’enfants fait vraiment lorsqu’il y a soutien à la négociation des conflits / turn-taking : métier relationnel-discursif et ce que mesurent Kengesbay, Xiao/Li, Li/Li, Markova, Horn, Yu, Nijssen, Kim, Tykhonenko, Taylor, Pinto/Belpaeme et Araguas — avec Galbraith comme contraste périphérique

Le plancher du métier n’est pas un score : ce sont des matériaux réels en dispute (tours, objets, rôles, espace) ; négociation verbale et non verbale entre pairs ; médiation adulte qui nomme les émotions, modélise le langage de demande/attente/offre et soutient l’agence des enfants pour réparer ; co-présence qui interprète le conflit comme opportunité d’apprentissage social, non comme infraction à un « score » (NAEYC, 2022 ; OECD, 2021, 2023). Inférence : il y a soutien lorsqu’on protège cette pratique ; non lorsqu’on exhibe conflict count, GenAI de scripts ou classement social developmental. Le métier se reconnaît dans l’épisode : deux enfants disputent ; l’adulte nomme, offre du langage et soutient qu’ils réparent ; le robot ou l’application, s’ils apparaissent, sont des moyens subordonnés à l’adulte, non des substituts.

Kengesbay (2025) sature l’ancre de détection : deep learning et computer vision pour détecter les conflits sociaux dans les kindergartens avec vidéo réelle (RNN/3D CNN). Statut : résultat empirique de détection. Inférence : mesure présence/détection de conflit en vidéo ; n’équivaut pas à une pédagogie de négociation ni n’autorise à présenter un CNN comme évaluation de la réparation entre pairs. Xiao et Li (2026) — N = 150 ; plus de 120 heures — apportent un cadre multimodal de fusion et graph-temporal pour le developmental assessment de social competence et d’expression émotionnelle chez les préscolaires. Distinction marquée : on cite pour l’artefact de scoring de competence ; on ne convertit pas cet article en SEL générique. Inférence : social competence score ≠ langage de demande/attente/offre dans une dispute située. Li et Li (2026) — N = 500 ; 36–72 mois ; huit kindergartens — apportent un système multimodal (facial, voix, mouvement) pour assessing social-emotional competence aligné sur CASEL. Inférence marquée : SEC auto-score ≠ négociation des tours entre pairs ; ne signe pas une médiation qui répare.

Markova, Arato, Ceral, Hofbauer, Quigley et Horn (2026) — N = 20 préscolaires — décodent les dynamiques sociales avec un tracking automatique de motifs spatiaux et temporels (position, proximité, orientation) pour étudier interactions et relations dans les groupes de pairs. Horn, Karsai et Markova (2024) formulent une approche automatisée data-driven des dynamiques sociales enfantines dans l’espace et le temps avec capteurs/ML : proximité et synchronie comme indicateurs d’affiliation. Inférence : le tracking d’affiliation ne substitue pas l’adulte qui nomme l’émotion ni les enfants qui offrent des tours. Yu (2021) apporte un emotion monitoring fondé sur face/emotion recognition au préscolaire : transfert ; score émotionnel ≠ médiation de conflit. Nijssen, Müller, Bosse et Paulus (2021) examinent le sharing des enfants avec un robot et le rôle des attributions émotionnelles anthropomorphiques : HRI de sharing ; n’autorise pas un robot qui substitue la médiation adulte dans les disputes entre pairs. Kim, Hwang, Lim, Cho et Lee (2024) conçoivent une médiation robotique pour faciliter les friendship behaviors : résultat de conception CRI ; friendship behavior score ≠ métier de réparation située entre deux enfants qui se disputent un matériau.

Tykhonenko, Tolksdorf et Rohlfing (2026) — N = 28 — relient la timidité infantile aux actions dialogiques contingentes en réagissant aux instructions d’un robot social, y compris les latences de turn-timing. Inférence : turn latency avec robot ≠ turn-taking negotiation pédagogique dans une dispute pour rôles/espace. Pinto et Belpaeme (2024) proposent un predictive turn-taking avec language models pour anticiper les transitions de tour dans le dialogue humain–robot (RO-MAN) : transfert marqué ; HRI ≠ classe 3–6 de conflit entre pairs. Araguas, Blanchard, Derégnaucourt, Chopin et Guellai (2025) comparent tuteur humain versus robot en body knowledge et emotion recognition au préscolaire : le contraste humain/robot n’autorise pas à substituer la médiation de conflit par un tuteur robotique. Taylor, Alamos, Turnbull, LoCasale-Crouch et Howes (2023) examinent le peer engagement individuel en pre-kindergarten en relation avec la classroom-level teacher-child interaction quality : contraste pédagogique non-IA ; peer engagement ≠ conflict-count dashboard ni axe CLASS recyclé. Galbraith (2022) — pédagogies du jeu chez les futurs enseignants — est un contraste périphérique, non un axe de formation des enseignants. Médiation cohérente (NAEYC, 2022 ; OECD, 2021, 2023) : matériaux en dispute, observation du processus, langage de demande/attente/offre et agence pour réparer sans script de correctness.

Dans l’ensemble : il y a des systèmes qui détectent des conflits (Kengesbay, 2025), notent competence/SEC (Xiao et Li, 2026 ; Li et Li, 2026), trackent la proximité (Markova et al., 2026 ; Horn et al., 2024), surveillent l’émotion (Yu, 2021 ; Araguas et al., 2025), médient friendship/sharing avec un robot (Kim et al., 2024 ; Nijssen et al., 2021), mesurent le turn-timing HRI (Tykhonenko et al., 2026 ; Pinto et Belpaeme, 2024) ou contrastent le peer engagement pédagogique (Taylor et al., 2023). Aucun — à lui seul — ne signe négociation verbale/non verbale entre pairs, médiation qui nomme et modélise, et agence infantile pour réparer. La preuve technique est réelle dans son domaine ; « score = soutien à la négociation des conflits / turn-taking » est une inférence illégitime de catégorie.

6. Cas 3. Peer conflict / turn-taking negotiation ≠ SEL comme axe, participation-voix, CLASS-interactions, attention conjointe, jeu libre, jeu symbolique ni emotion monitoring clinique

Six frontières protègent l’axe. Première : SEL générique — Li et Li (2026) mesurent SEC/CASEL ; il peut y avoir régulation émotionnelle DANS la dispute ; l’axe est la pratique relationnelle-discursive de négocier les tours et de réparer entre pairs —. Inférence : « nous travaillons le SEL = il y a négociation des conflits » ne signe pas ; un SEC auto-score n’est pas non plus une turn-taking negotiation pédagogique. Deuxième : participation/voix infantile — il y a parole et agence dans la réparation ; on ne convertit pas cet article en participation/voix déjà publiée —. Troisième : CLASS / interactions adulte–enfant comme axe — Taylor et al. (2023) relient peer engagement et qualité enseignante au niveau de la classe ; ils n’autorisent pas à réduire la négociation entre pairs à un score d’interaction adulte–enfant déjà publié —. Quatrième : attention conjointe — Markova et al. (2026) et Horn et al. (2024) enregistrent orientation/proximité ; ils n’autorisent pas à réécrire l’axe comme joint attention —. Cinquième : jeu libre / jeu symbolique — Galbraith (2022) est un contraste périphérique des pédagogies du jeu ; l’axe n’est ni free play ni symbolic play déjà publiés —. Sixième : emotion monitoring clinique — Yu (2021) ; Araguas et al. (2025) — fixent score/tuteur d’émotion ; screening émotionnel ≠ médiation de dispute pour matériaux au jardin d’enfants —. UNESCO (2021), Miao et Holmes (2023) et Nikolopoulou (2025) exigent supervision humaine et médiation enseignante de la GenAI. Inférence : l’IA cohérente en 3–6 reste du côté de l’adulte (préparation/documentation subordonnée ; Galbraith, 2022 périphérique ; Taylor et al., 2023 comme contraste d’observation pédagogique), non comme détecteur de conflit, GenAI de peace corner scripts, tableau de bord de conflits/heure, robot de « say sorry » ni classement social developmental sans médiation.

Ces frontières protègent l’axe. Peer conflict / turn-taking negotiation peut toucher, latéralement, SEL, voix, qualité d’interaction, co-orientation, jeu ou émotion ; elle ne se laisse réduire à aucun de ces axes déjà publiés. Un centre qui « travaille le SEL », « donne la voix », « améliore CLASS », « travaille l’attention conjointe », « fait du jeu libre/symbolique » ou « surveille les émotions » n’a pas démontré, par cette seule étiquette, la négociation située avec médiation qui nomme/modélise et agence pour réparer. La distinction est de catégorie pédagogique, non de négation des overlaps latéraux.

7. Cadre inférentiel : quatre épreuves pour affirmer qu’il y a soutien à la négociation des conflits entre pairs / turn-taking, non un artefact

Le cadre qui suit est une inférence pédagogique de cet article, ancrée dans les cas et les instruments vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue quatre épreuves. Si un jardin, préscolaire, CENDI ou école maternelle ne les passe pas, il ne peut déclarer que les cinq artefacts constituent un soutien à la négociation des conflits entre pairs / turn-taking negotiation.

7.1. Épreuve de la pratique située (disputes pour tours/matériaux/rôles/espace ; négociation verbale et non verbale ; agence pour réparer), non du détecteur CV/multimodal ni du robot/application de correctness ou « say sorry ». NAEYC (2022), OECD (2021, 2023) et les cas de détection/scoring/HRI (Kengesbay, 2025 ; Xiao et Li, 2026 ; Li et Li, 2026 ; Nijssen et al., 2021 ; Kim et al., 2024 ; Tykhonenko et al., 2026 ; Pinto et Belpaeme, 2024 ; Araguas et al., 2025) définissent le contraste métier/artefact. Chen (2024), Ljungcrantz (2026) et Nikolopoulou (2025) cartographient agents/analytique comme affordance, non comme négociation située. Inférence : la preuve de soutien se vérifie dans la dispute située, la négociation entre pairs et la réparation avec agence. Si la « preuve » est conflict count, social competence, friendship behavior score ou « say sorry » automatisé, le centre a fait de l’analytique ou de l’HRI de conduite, non du soutien.

7.2. Épreuve de la co-présence adulte qui nomme les émotions, modélise demande/attente/offre et soutient la réparation — non seulement « dis pardon » —, non de la GenAI de conflict resolution scripts / turn-taking lesson plans / sharing worksheets / peace corner scripts. NAEYC (2022), OECD (2021) et Galbraith (2022, périphérique) situent pratique et interactions. Miao et Holmes (2023) et Nikolopoulou (2025) exigent validation et médiation de la GenAI. Inférence : un script par prompt ne signe pas l’épisode de négociation entre pairs.

7.3. Épreuve de la médiation humaine et de l’interprétation du conflit comme apprentissage social, non du tableau de bord de conflits/heure / minutes de dispute / turn-taking compliance ni du classement social developmental par proximité/synchronie/émotion faciale. OECD (2021, 2023) exigent des interactions significatives. Markova et al. (2026), Horn et al. (2024) et Yu (2021) fixent tracking/monitoring ; Taylor et al. (2023) ancrent l’observation pédagogique du peer engagement sans la convertir en surveillance de comptages. Inférence : des conflits/heure bas ou une compliance élevée n’élèvent pas à eux seuls la médiation qui répare. La préparation/documentation subordonnée de l’adulte est légitime ; le scorer qui convertit l’enfant en vecteur de conflict-count ne l’est pas.

7.4. Épreuve de la distinction de catégorie et du jugement professionnel, non du catalogue de produit. Peer conflict / turn-taking ≠ SEL comme axe, participation-voix, CLASS-interactions, attention conjointe, jeu libre, jeu symbolique ni emotion monitoring clinique. Li et Li (2026), Taylor et al. (2023), Markova et al. (2026), Horn et al. (2024), Yu (2021), Araguas et al. (2025) et Galbraith (2022) empêchent ces confusions. UNESCO (2021), Miao et Holmes (2023), NAEYC (2022) et OECD (2021, 2023) exigent supervision humaine et de ne pas substituer le jugement professionnel. Inférence : le soutien se réalise avec des matériaux réels en dispute, une négociation entre pairs, une co-présence qui nomme/modélise et une agence pour réparer — non en détectant des conflits, en notant turn compliance ni en surveillant les minutes de dispute.

Le cadre admet le numérique subordonné à la préparation/documentation de l’adulte (Galbraith, 2022 périphérique ; Taylor et al., 2023 comme contraste de lecture pédagogique du peer engagement ; Kengesbay, 2025 et Xiao et Li, 2026 comme outils de détection/assessment, non substitution de la médiation). Il refuse de déclarer un soutien via les cinq artefacts (Miao et Holmes, 2023 ; Nikolopoulou, 2025 ; UNESCO, 2021). Les quatre épreuves se lisent ensemble.

8. Discussion

Trois tensions. Première : exhiber les cinq artefacts versus exercer le soutien. Kengesbay (2025), Xiao et Li (2026 ; N = 150), Li et Li (2026 ; N = 500), Markova et al. (2026 ; N = 20), Horn et al. (2024), Yu (2021), Nijssen et al. (2021), Kim et al. (2024), Tykhonenko et al. (2026 ; N = 28), Taylor et al. (2023), Pinto et Belpaeme (2024, transfert), Araguas et al. (2025) et Galbraith (2022 périphérique) soutiennent le contraste ; Chen (2024) et Ljungcrantz (2026) cartographient l’IA sans équivalence à la négociation située. Deuxième : assessment automatisé versus pédagogie relationnelle-discursive — déclarer un soutien par conflict count, SEC auto-score ou turn compliance est une pédagogie inversée —. Troisième : GenAI de scripts / robot de « say sorry » / classement par proximité versus métier — Miao et Holmes (2023), Nikolopoulou (2025), NAEYC (2022) et OECD (2021, 2023) — : vendre des peace corner scripts ou une médiation robotique de friendship sans médiation humaine confond produit et pratique. Taylor et al. (2023) confirment le peer engagement avec qualité d’interaction sans autoriser des tableaux de bord de surveillance ; UNESCO (2021) subordonne l’IA au jugement professionnel.

Les quatre épreuves de la section 7 lisent ces tensions. Le contraste empirique — détection ; competence N = 150 ; SEC N = 500 ; tracking N = 20 ; capteurs/ML ; emotion monitoring ; robots sharing/friendship ; turn-timing N = 28 ; peer engagement pédagogique ; HRI prédictif avec transfert ; émotion humain vs robot ; Galbraith périphérique — définit le plancher que les artefacts n’atteignent pas seuls. Inférence : le soutien s’érode en les traitant comme s’ils étaient la pratique. Le numérique subordonné est légitime vers l’adulte (préparation de langage ; documentation ; contraste Taylor et al., 2023) ; inverser la séquence ne l’est pas (NAEYC, 2022 ; OECD, 2021, 2023). Si le centre montre disputes situées, négociation, adulte qui a nommé et modélisé, et enfants qui ont réparé, il peut parler de soutien ; s’il ne montre que détecteurs, scripts GenAI, conflits/heure, robots de « say sorry » ou classements sans médiation, il parle d’artefacts. Chen (2024) et Ljungcrantz (2026) : affordances de l’IA en ECE ≠ turn-taking negotiation situé.

9. Limites

Cette revue est narrative. Elle n’applique ni PRISMA propre ni estimation d’effets combinés. Kengesbay (2025) apporte la détection de conflits en jardin d’enfants : on n’invente ni d ni r ; on le lit comme détecteur, non comme métier de réparation. Xiao et Li (2026) mesurent N = 150 competence multimodale : limite de construit d’assessment. Li et Li (2026) mesurent N = 500 SEC/CASEL : limite ; SEC ≠ négociation située. Markova et al. (2026) mesurent N = 20 tracking : petit échantillon. Horn et al. (2024) apportent un cadre capteurs/ML. Yu (2021) est emotion monitoring : transfert vers la médiation. Nijssen et al. (2021) et Kim et al. (2024) délimitent sharing/friendship avec un robot. Tykhonenko et al. (2026) mesurent N = 28 turn-timing avec un robot. Pinto et Belpaeme (2024) sont de l’HRI prédictif : transfert marqué. Araguas et al. (2025) contrastent tuteur humain/robot en emotion recognition. Taylor et al. (2023) sont un contraste pédagogique non-IA. Galbraith (2022) est un contraste périphérique, non un axe. Chen (2024), Ljungcrantz (2026) et Nikolopoulou (2025) cartographient l’IA en ECE, non des tableaux de bord conflict-count ni une GenAI de peace corner scripts comme paquet d’exhibition en CENDI latino-américain. Aucun essai vérifié des cinq artefacts comme paquet unique de « peer conflict / turn-taking avec IA » en classe 3–6 n’a été localisé ; on les discute comme plafond de catégorie. NAEYC, UNESCO et OECD sont de cadre. Les inférences de la section 7 sont des hypothèses de catégorie, non une preuve d’implémentation.

10. Conclusions

Les cinq artefacts — détecteur CV/multimodal de conflits ou scores de social competence / peer engagement / conflict count / turn compliance / friendship behavior / SEC ; GenAI de conflict resolution scripts / turn-taking lesson plans / sharing worksheets / peace corner scripts ; tableau de bord de conflits/heure / minutes de dispute / turn-taking compliance ; robot/application qui substitue la médiation par un score ou « say sorry » ; classement social developmental par proximité/synchronie/émotion faciale sans médiation — ne constituent pas un soutien à la négociation des conflits entre pairs / turn-taking negotiation en éducation initiale. Chen (2024) et Ljungcrantz (2026) confirment des affordances sans équivalence à la négociation située. Nikolopoulou (2025) et Miao et Holmes (2023) fixent les limites de la GenAI. Kengesbay (2025), Xiao et Li (2026), Li et Li (2026), Markova et al. (2026), Horn et al. (2024), Yu (2021), Nijssen et al. (2021), Kim et al. (2024), Tykhonenko et al. (2026), Taylor et al. (2023), Pinto et Belpaeme (2024) et Araguas et al. (2025) exigent de lire détection/scoring/tracking/HRI/émotion pour ce qu’ils mesurent — avec transferts — et pour ce qu’ils n’équivalent pas à une pédagogie de négociation. Galbraith (2022) est un contraste périphérique : adulte ≠ détecteur ni GenAI de scripts. Lorsqu’il y a soutien, il y a matériaux réels en dispute, négociation entre pairs, co-présence qui nomme/modélise et agence infantile pour réparer (NAEYC, 2022 ; OECD, 2021, 2023). La négociation des conflits / turn-taking se distingue du SEL, de la participation-voix, des CLASS-interactions, de l’attention conjointe, du jeu libre, du jeu symbolique et de l’emotion monitoring clinique comme axes. Les guides exigent une supervision humaine (UNESCO, 2021 ; Miao et Holmes, 2023).

Là où les sources ne mesurent pas un jardin, cet article ne l’affirme pas. Là où elles mesurent cartographies d’IA, détection de conflits, competence/SEC multimodal, tracking spatial, emotion monitoring, robots sharing/friendship, turn-timing HRI ou peer engagement pédagogique, il ne les traduit pas en soutien via conflict-count, turn-compliance ou script par prompt. Accompagner les filles et garçons de trois à six ans dans la négociation des conflits entre pairs / turn-taking, c’est exercer des disputes situées pour tours, matériaux, rôles et espace ; négociation verbale et non verbale ; médiation adulte qui nomme les émotions, modélise demande/attente/offre et soutient l’agence pour réparer ; et co-présence qui interprète le conflit comme apprentissage social, non comme infraction à un « score ». Le reste est détecteur CV/multimodal, GenAI de scripts/lesson plans/worksheets, tableau de bord de conflits/heure, robot/application de correctness ou « say sorry », et classement social developmental. Ce n’est pas un soutien à la négociation des conflits entre pairs / turn-taking en éducation initiale, et cela ne doit pas se présenter comme ce qu’il n’est pas.

Laboratoire éditorial de NEXTECH.IA / Ingeniero Mitre.

Références

  1. Araguas, A., Blanchard, A., Derégnaucourt, S., Chopin, A., y Guellai, B. (2025). Body knowledge and emotion recognition in preschool children: A comparative study of human versus robot tutors. Behavioral Sciences, 16(1), Article 29. https://doi.org/10.3390/bs16010029
  2. Chen, J. J. (2024). A scoping study on AI affordances in early childhood education: Mapping the global landscape, identifying research gaps, and charting future research directions. Journal of Artificial Intelligence Research, 81, 701–740. https://doi.org/10.1613/jair.1.16882
  3. Galbraith, J. (2022). “A prescription for play”: Developing early childhood preservice teachers’ pedagogies of play. Journal of Early Childhood Teacher Education, 43(3), 474–494. https://doi.org/10.1080/10901027.2022.2054035
  4. Horn, L., Karsai, M., y Markova, G. (2024). An automated, data-driven approach to children's social dynamics in space and time. Child Development Perspectives, 18(2). https://doi.org/10.1111/cdep.12495
  5. Kengesbay, D. (2025). Detecting social conflicts in kindergartens using deep learning and computer vision. Journal of Emerging Technologies and Computing. https://doi.org/10.47344/7x77b619
  6. Kim, Y., Hwang, J., Lim, S., Cho, M.-H., y Lee, S. (2024). Child–robot interaction: Designing robot mediation to facilitate friendship behaviors. Interactive Learning Environments, 32(8), 4169–4182. https://doi.org/10.1080/10494820.2023.2194936
  7. Li, J., y Li, X. (2026). A multimodal artificial intelligence system integrating facial expression voice emotion and behavioral movement analysis for assessing social-emotional competence in preschool children. Scientific Reports. https://doi.org/10.1038/s41598-026-61418-5
  8. Ljungcrantz, L. (2026). The interaction of AI and early childhood education. A state-of-the-art review 2020–2024. Early Childhood Education Journal, 54(5), 3565–3581. https://doi.org/10.1007/s10643-025-02079-3
  9. Markova, G., Arato, J., Ceral, R., Hofbauer, M., Quigley, C., y Horn, L. (2026). Decoding preschool social dynamics: Automated tracking of spatial and temporal patterns to investigate social interactions and relationships in peer groups. Developmental Science. https://doi.org/10.1111/desc.70241
  10. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  11. NAEYC. (2022). Developmentally appropriate practice in early childhood programs serving children from birth through age 8 (4.ª ed.). NAEYC. https://www.naeyc.org/resources/pubs/books/dap-fourth-edition
  12. Nijssen, S. R. R., Müller, B. C. N., Bosse, T., y Paulus, M. (2021). You, robot? The role of anthropomorphic emotion attributions in children’s sharing with a robot. International Journal of Child-Computer Interaction, 30, Article 100319. https://doi.org/10.1016/j.ijcci.2021.100319
  13. Nikolopoulou, K. (2025). Child-centered integration of generative AI in early learning: Balancing promises and challenges. AI, Brain and Child, 1(1). https://doi.org/10.1007/s44436-025-00023-1
  14. OECD. (2021). Starting Strong VI: Supporting meaningful interactions in early childhood education and care. OECD Publishing. https://doi.org/10.1787/f47a06ae-en
  15. OECD. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  16. Pinto, M. G., y Belpaeme, T. (2024). Predictive turn-taking: Leveraging language models to anticipate turn transitions in human-robot dialogue. En 2024 33rd IEEE International Conference on Robot and Human Interactive Communication (RO-MAN). IEEE. https://doi.org/10.1109/ro-man60168.2024.10731379
  17. Taylor, M., Alamos, P., Turnbull, K. L. P., LoCasale-Crouch, J., y Howes, C. (2023). Examining individual children's peer engagement in pre-kindergarten classrooms: Relations with classroom-level teacher-child interaction quality. Early Childhood Research Quarterly, 64, 221–232. https://doi.org/10.1016/j.ecresq.2023.04.007
  18. Tykhonenko, V., Tolksdorf, N. F., y Rohlfing, K. J. (2026). The relation between children’s shyness and their contingent dialogical actions when reacting to a social robot’s instructions. Philosophical Transactions of the Royal Society B. https://doi.org/10.1098/rstb.2024.0375
  19. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  20. Xiao, X., y Li, S. (2026). An AI-driven multimodal fusion and graph-temporal modelling framework for developmental assessment of social competence and emotional expression in preschool children. International Journal of Reasoning-based Intelligent Systems. https://doi.org/10.1504/ijris.2026.154537
  21. Yu, G. (2021). Emotion monitoring for preschool children based on face recognition and emotion recognition algorithms. Complexity, 2021, Article 6654455. https://doi.org/10.1155/2021/6654455